Во время COVID-19 искусственный интеллект (ИИ) использовался для усиления диагностических усилий, доставки медицинских материалов и даже оценки факторов риска на основе анализов крови. Теперь искусственный интеллект используется для прогнозирования будущих случаев COVID-19.
Исследователи из Техасского университета A&M под руководством доктора Али Мостафави разработали мощную вычислительную модель с глубоким обучением, которая использует искусственный интеллект и существующие большие данные, связанные с деятельностью и мобильностью населения, чтобы помочь предсказать будущее распространение случаев COVID-19 на уровне округа. Исследователи опубликовали свои результаты в IEEE Access.
На распространение пандемий влияют сложные взаимосвязи, связанные с характеристиками, включая мобильность, активность населения и социально-демографические характеристики. Однако типичные математические эпидемиологические модели учитывают лишь небольшую часть соответствующих характеристик. Напротив, модель глубокого обучения, разработанная Мостафави, доцентом кафедры гражданского строительства и окружающей среды Закри, и его лабораторией UrbanResilience.AI, может объяснить сложную взаимосвязь между большим количеством функций для прогнозирования диапазона увеличения COVID-19 инфекций в будущем.
«Мы сразу же осознали потенциал использования искусственного интеллекта для дополнения существующих математических эпидемиологических моделей», — сказал Мостафави. «Мы живем в эпоху больших данных, и использование этих больших данных во время кризисов дает большие возможности для разработки моделей и инструментов, управляемых данными, для разработки политики».
Модель глубокого обучения — это подмножество машинного обучения, типа искусственного интеллекта, в котором вычислительные системы, называемые нейронными сетями, обучаются на больших объемах данных. Обучая модель глубокого обучения с данными за определенный период времени, в данном случае с марта по май 2019 года, модель определила функции для прогнозирования траекторий в другой период времени — июнь 2019 года.
Модель глубокого обучения исследователей учитывает такие особенности, как перемещение людей внутри сообщества, данные переписи, данные о социальном дистанцировании, рост числа случаев в прошлом и социальную демографию, чтобы предсказать рост случаев COVID-19 для каждого округа с 64%. точность, которая вдвое превышает точность необученной модели. Наибольшая точность модели была на семь дней вперед. По мере того, как модель предсказывала будущее, точность уменьшалась.
«Одним из полезных аспектов моделирования является не точность, а оценка факторов, влияющих на результаты», — сказал Мостафави. «Эта модель не определяет конкретные стратегии смягчения и реагирования, но она может помочь в разные моменты времени увидеть, какие стратегии могут быть эффективными на основе различных характеристик на уровне округа».
Зная, какие особенности модели оказывают наиболее значительное влияние на рост числа дел, чиновники могут проинформировать о разработке политики, направленной на эти факторы. Если наиболее важной особенностью округа является мобильность, чиновники могут применять такие политики, как приказы о сохранении дома.
Модель также может дать представление об эффективности политик после того, как они уже действуют. Мостафави обнаружил, что в целом первоначальные приказы о сокращении поездок были эффективными — люди из менее населенных округов меньше ездили в густонаселенные города, но объем поездок в густонаселенных округах кардинально не изменился.
Он сказал, что влияние характеристик может меняться со временем для одного округа и варьироваться от округа к округу. В начале пандемии исследователи увидели, что факторы, связанные с путешествиями и мобильностью, были важными предикторами случаев заболевания, но со временем они увидели, что другие особенности, такие как поездки к интересующим местам и социально-демографические характеристики, были более важными.
В результате смягчение последствий пандемии является сложным, а стратегии не подходят для всех.
В будущем лаборатория Мостафави будет использовать новые наборы данных для разработки различных типов моделей. В дополнение к существующей модели прогнозирующего наблюдения национального масштаба, команда в настоящее время работает над моделью на основе искусственного интеллекта для наблюдения в масштабе города, чтобы прогнозировать случаи заболевания на уровне почтового индекса. Что еще более важно, они хотят спрогнозировать факторы, влияющие на каждый почтовый индекс, чтобы официальные лица могли изучить политику для конкретного местоположения. Мостафави сказал, что вместо того, чтобы закрывать рестораны во всем округе, власти могут закрывать рестораны только с почтовыми индексами высокого риска.
Его исследование показывает, что большие данные и искусственный интеллект могут сыграть ключевую роль в улучшении надзора за пандемией, прогнозировании и разработке политики.
«Существуют значительные возможности использования этих больших данных и ИИ для сдерживания существующей пандемии, а также для лучшей подготовки и смягчения последствий будущих пандемий», — сказал Мостафави.